具身智能的大規(guī)模落地仍處于早期階段

飛象網(wǎng)訊（喜樂(lè)）近兩年，具身智能無(wú)疑是最熱門的賽道之一。據(jù)中國(guó)信息通信研究院副總工程師許志遠(yuǎn)介紹，當(dāng)前，具身智能已經(jīng)取得認(rèn)知智能與物理智能的雙線突破，但模型路線、數(shù)據(jù)范式以及最佳機(jī)器人形態(tài)仍未定型，大規(guī)模落地仍處于早期階段，其未來(lái)方向仍在持續(xù)競(jìng)爭(zhēng)與快速演化中。

一方面，機(jī)器人的“認(rèn)知智能”實(shí)現(xiàn)明顯躍升（即“大腦”能力），大模型使機(jī)器人能夠完成傳統(tǒng)機(jī)器人難以處理的復(fù)雜任務(wù)，具備“可感知、可思考、可交互”的智能特征。另一方面，“物理智能”加速突破：基于強(qiáng)化學(xué)習(xí)，人形機(jī)器人在復(fù)雜地形行走、高難度舞蹈等動(dòng)態(tài)任務(wù)上表現(xiàn)顯著提升；基于模仿學(xué)習(xí)與大模型范式，上肢操作能力快速增強(qiáng)，已能執(zhí)行切黃瓜、倒水、疊衣服等精細(xì)操作。

盡管技術(shù)突破不斷，具身智能的大規(guī)模落地仍處于早期階段。當(dāng)前行業(yè)仍面臨三個(gè)核心焦點(diǎn)問(wèn)題。一是模型路線之爭(zhēng)；二是數(shù)據(jù)訓(xùn)練范式之爭(zhēng)；三是形態(tài)路線之爭(zhēng)。

與此同時(shí)，許志遠(yuǎn)指出，目前，利用大模型提升機(jī)器人的泛化能力已成為業(yè)界共識(shí)，但如何有效地將大模型應(yīng)用于機(jī)器人系統(tǒng)，仍存在多條技術(shù)路徑，行業(yè)也在持續(xù)探索中。

第一條路徑是采用大語(yǔ)言模型（LLM）對(duì)人類指令進(jìn)行語(yǔ)義理解與任務(wù)分解，這是賦予機(jī)器人高層智能的關(guān)鍵能力，谷歌的 SayCan 是早期代表性工作。

第二條路徑是在 LLM 的基礎(chǔ)上引入視覺(jué)，使模型具備語(yǔ)言與視覺(jué)跨模態(tài)融合能力，通過(guò)視覺(jué)語(yǔ)言模型（VLM）進(jìn)行機(jī)器人控制。借助視覺(jué)信息，模型不僅能分析環(huán)境的空間關(guān)系和物體屬性，也能更好支撐高層任務(wù)規(guī)劃。谷歌的 PaLM-E 展示了跨模態(tài)推理在機(jī)器人控制中的潛力。

第三條路徑是在 VLM 的基礎(chǔ)上進(jìn)一步加入動(dòng)作生成能力，形成視覺(jué)-語(yǔ)言-動(dòng)作模型（VLA）。這類模型以視覺(jué)圖像和語(yǔ)言指令為輸入，直接輸出機(jī)器人控制指令。VLA 路線自 2024 年底以來(lái)受到高度關(guān)注。各家廠商在模型架構(gòu)、模塊設(shè)計(jì)和動(dòng)作生成方式上不斷優(yōu)化，例如美國(guó)的 Figure AI、PI，以及國(guó)內(nèi)的智元、銀河通用等均聚焦于這一方向。

許志遠(yuǎn)強(qiáng)調(diào)，目前，許多 VLA 模型采用 MoE 架構(gòu)，以 VLM 作為骨干網(wǎng)絡(luò)，動(dòng)作層常使用自回歸預(yù)測(cè)、擴(kuò)散模型或流匹配等生成方式。同時(shí)，在 VLM 與動(dòng)作預(yù)測(cè)之間通常加入隱向量用于信息傳遞，以兼顧復(fù)雜任務(wù)推理與實(shí)時(shí)控制需求。VLA 在復(fù)雜、多步驟、多樣化任務(wù)上展示出一定適應(yīng)性。“然而，我們也觀察到，盡管 VLA 在結(jié)構(gòu)上不斷演進(jìn)，其實(shí)際落地效果仍未達(dá)到預(yù)期。原因在于物理世界具有高度多樣性與不確定性，而當(dāng)前可獲取的機(jī)器人數(shù)據(jù)量級(jí)有限、覆蓋場(chǎng)景不足，使得 VLA 難以充分學(xué)習(xí)并泛化到真實(shí)環(huán)境中�！�

展望未來(lái)，在 VLA 的基礎(chǔ)上引入 世界模型（World Model），借助其對(duì)物理世界的理解、預(yù)測(cè)與推演能力，有望成為進(jìn)一步提升機(jī)器人大模型能力的重要發(fā)展路徑。